Q:
Quels sont les principaux avantages de l'apprentissage d'ensemble?
UNE:L'apprentissage en ensemble présente divers avantages pour les projets d'apprentissage automatique. Beaucoup d'entre eux sont liés à l'utilisation d'un grand nombre de nœuds relativement simples pour agréger certaines entrées et résultats de sortie.
Par exemple, l'apprentissage d'ensemble peut aider les chefs de projet à gérer à la fois le biais et la variance - variance représentant des résultats dispersés difficiles à converger, et biais représentant un mauvais étalonnage ou une erreur dans le ciblage des résultats nécessaires.
Il y a une analyse mathématique longue et complexe de la façon dont chacune de ces solutions fonctionne, ainsi que diverses pratiques telles que le renforcement et l'ensachage, mais pour ceux qui ne sont pas personnellement impliqués dans l'apprentissage automatique, il peut suffire de comprendre que l'apprentissage d'ensemble apporte fondamentalement une approche décentralisée, approche consensuelle de l'apprentissage automatique qui aide à affiner les résultats et à garantir la précision. Considérez l'apprentissage d'ensemble comme le «crowdsourcing» essentiel des points d'entrée afin de proposer une analyse d'ensemble. Dans un sens, c'est ce qu'est l'apprentissage automatique, et AdaBoost ou les systèmes associés le font à travers une approche d'apprentissage d'ensemble. Une autre façon de résumer ce concept à ses fondements est de penser à l'ancien slogan: «deux têtes valent mieux qu'une» et de réfléchir à la façon dont la décentralisation de l'approvisionnement ou du contrôle permet d'obtenir des résultats plus précis.
Un exemple d'apprentissage d'ensemble est une approche forestière aléatoire. Dans une forêt aléatoire, un groupe d'arbres de décision a du matériel qui se chevauche et des résultats uniques qui sont mélangés pour atteindre un objectif avec des résultats mathématiques et méthodiques. Ceci est un exemple de la façon dont l'apprentissage d'ensemble fonctionne pratiquement pour soutenir un meilleur apprentissage automatique dans les réseaux de neurones et d'autres systèmes. Au fond, les données «fusionnent» et sont plus fortes pour leurs origines décentralisées.
